論文の概要: Controlling False Discovery Rates Using Null Bootstrapping
- arxiv url: http://arxiv.org/abs/2102.07826v1
- Date: Mon, 15 Feb 2021 20:07:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-17 15:22:54.101722
- Title: Controlling False Discovery Rates Using Null Bootstrapping
- Title(参考訳): Null Bootstrappingによる偽発見率の制御
- Authors: Junpei Komiyama, Masaya Abe, Kei Nakagawa, Kenichiro McAlinn
- Abstract要約: 未知の相関構造を有する多くの試験における誤検出率の制御を検討する。
nullブートストラップを用いた偽検出制御の新しい手法を提案する。
- 参考スコア(独自算出の注目度): 7.4364293180516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider controlling the false discovery rate for many tests with unknown
correlation structure. Given a large number of hypotheses, false and missing
discoveries can plague an analysis. While many procedures have been proposed to
control false discovery, they either assume independent hypotheses or lack
statistical power. We propose a novel method for false discovery control using
null bootstrapping. By bootstrapping from the correlated null, we achieve
superior statistical power to existing methods and prove that the false
discovery rate is controlled. Simulated examples illustrate the efficacy of our
method over existing methods. We apply our proposed methodology to financial
asset pricing, where the goal is to determine which "factors" lead to excess
returns out of a large number of potential factors.
- Abstract(参考訳): 未知の相関構造を有する多くの試験における誤検出率の制御を検討する。
多くの仮説を考えると、誤った発見や行方不明発見は分析を苦しめる可能性がある。
偽の発見を制御するための多くの手順が提案されているが、それらは独立した仮説を仮定するか、統計力を欠いている。
nullブートストラップを用いた偽検出制御の新しい手法を提案する。
相関するnullからブートストラップすることにより、既存の方法に対する優れた統計力を達成し、誤発見率が制御されることを証明します。
シミュレーション例では,既存手法に対する提案手法の有効性を示す。
我々は、提案した手法を金融資産価格に適用し、目的は、潜在的な多数の要因から過剰なリターンにつながる「要素」を決定することです。
関連論文リスト
- Causal Discovery with Unobserved Variables: A Proxy Variable Approach [42.56435928287998]
近位仮説テストは、システムが連続変数からなる場合に拡張する。
これに基づいて、連続因果関係のテストの問題を各ビンにおける個別因果関係のテストの問題に変換することができる。
論文 参考訳(メタデータ) (2023-05-09T09:08:39Z) - Improved Policy Evaluation for Randomized Trials of Algorithmic Resource
Allocation [54.72195809248172]
提案する新しい概念を応用した新しい推定器を提案する。
我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
論文 参考訳(メタデータ) (2023-02-06T05:17:22Z) - Trajectory-Aware Eligibility Traces for Off-Policy Reinforcement
Learning [44.50394347326546]
多段階リターンからのオフ政治学習は、サンプル効率の強化学習に不可欠である。
オフ政治バイアスは、決定ごとに修正されるが、トレースが完全にカットされると、その効果は逆転できない。
本稿では,多段階演算子を提案する。
論文 参考訳(メタデータ) (2023-01-26T18:57:41Z) - Shortcomings of Top-Down Randomization-Based Sanity Checks for
Evaluations of Deep Neural Network Explanations [67.40641255908443]
モデルランダム化に基づく正当性チェックの限界を,説明書の評価のために同定する。
トップダウンモデルランダム化は、フォワードパスアクティベーションのスケールを高い確率で保存する。
論文 参考訳(メタデータ) (2022-11-22T18:52:38Z) - Empirical Bayesian Approaches for Robust Constraint-based Causal
Discovery under Insufficient Data [38.883810061897094]
因果発見法は、多くの実世界のデータセットではそうではないかもしれないデータ飽和度を仮定する。
本研究では,制約に基づく因果探索手法の性能向上を図るため,ベイジアンによる頻繁な独立性試験を提案する。
実験の結果,SOTA法よりも精度と効率が向上した。
論文 参考訳(メタデータ) (2022-06-16T21:08:49Z) - Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。
提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
論文 参考訳(メタデータ) (2022-03-09T01:55:59Z) - Residual Overfit Method of Exploration [78.07532520582313]
提案手法は,2点推定値の調整と1点オーバーフィットに基づく近似探索手法を提案する。
このアプローチは、調整されたモデルと比較して、オーバーフィットモデルが最も過度な適合を示すアクションへの探索を促進する。
ROMEを3つのデータセット上の確立されたコンテキスト的帯域幅法と比較し、最も優れたパフォーマンスの1つとみなす。
論文 参考訳(メタデータ) (2021-10-06T17:05:33Z) - AdaPT-GMM: Powerful and robust covariate-assisted multiple testing [0.7614628596146599]
偽発見率(FDR)制御を用いた複数検定の実証的ベイズ法を提案する。
本手法は,アダプティブp値しきい値法(AdaPT)をマスク方式の一般化により洗練する。
我々は、AdaPT-GMMと呼ばれる新しい手法が一貫して高出力を実現することを、広範囲にわたるシミュレーションと実データ例で示す。
論文 参考訳(メタデータ) (2021-06-30T05:06:18Z) - Optimal Off-Policy Evaluation from Multiple Logging Policies [77.62012545592233]
我々は,複数のロギングポリシからオフ政治評価を行い,それぞれが一定のサイズ,すなわち階層化サンプリングのデータセットを生成する。
複数ロガーのOPE推定器は,任意のインスタンス,すなわち効率のよいインスタンスに対して最小分散である。
論文 参考訳(メタデータ) (2020-10-21T13:43:48Z) - Lower bounds in multiple testing: A framework based on derandomized
proxies [107.69746750639584]
本稿では, 各種コンクリートモデルへの適用例を示す, デランドマイズに基づく分析戦略を提案する。
これらの下界のいくつかを数値シミュレーションし、Benjamini-Hochberg (BH) アルゴリズムの実際の性能と密接な関係を示す。
論文 参考訳(メタデータ) (2020-05-07T19:59:51Z) - PAPRIKA: Private Online False Discovery Rate Control [27.698099204682105]
サンプルの差分プライバシーの制約の下で, 仮説テストにおけるFalse Discovery Rate (FDR) の制御について検討した。
我々は、非プライベートなオンラインFDR制御における最先端の結果に基づく新しいプライベートアルゴリズムを提供する。
論文 参考訳(メタデータ) (2020-02-27T18:42:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。